1 Repo
Awesome GitHub RepositoriesInterpretable Machine Learning Libraries
Libraries designed to make the internal decision-making process of ML models transparent and explainable.
Distinct from Machine Learning Visualization Libraries: None of the candidates address the specific identity of being a library for interpretability; they are language-specific or visualization-focused
Explore 1 awesome GitHub repository matching artificial intelligence & ml · Interpretable Machine Learning Libraries. Refine with filters or upvote what's useful.
Awesome Interpretable Machine Learning Libraries GitHub Repositories
Finde die besten Repos mit KI.Wir suchen mit KI nach den am besten passenden Repositories.
- ourownstory/neural_prophet
ourownstory/neural_prophet
4,284Auf GitHub ansehenNeural Prophet ist eine auf PyTorch basierende Bibliothek für Zeitreihenprognosen, die für interpretierbares Machine Learning entwickelt wurde. Sie dient als Dekompositions-Framework, das Signale in Bestandteile wie autoregressive Effekte, stückweise lineare Trends und Fourier-basierte Saisonalität zerlegt, um zukünftige Werte vorherzusagen. Das Projekt zeichnet sich durch die Kombination neuronaler Netze mit traditionellen Algorithmen aus, um Prognosen zu erstellen, die zugrunde liegende Trendtreiber erklären. Es bietet einen globalen Zeitreihen-Modellierungsansatz, der es ermöglicht, ein einzelnes Modell über mehrere gleichzeitige Reihen hinweg zu trainieren, um gelernte Muster zu teilen und gleichzeitig lokale Spezifitäten beizubehalten. Zudem fungiert es als Tool zur Unsicherheitsquantifizierung und nutzt Quantil-Regression und konforme Vorhersagen, um zuverlässige Prognoseintervalle zu generieren. Die Bibliothek bietet eine umfassende Suite an Funktionen für das Datenmanagement, einschließlich Abruf von Feiertagen, Lückenfüllung und Normalisierung. Sie deckt den gesamten Modellierungslebenszyklus mit automatisierter Hyperparameter-Optimierung, Erkennung von Trend-Changepoints und der Integration von zukünftigen sowie verzögerten Regressoren ab. Die Analyse wird durch Prognosedekomposition und Input-Attribution unterstützt, um zu visualisieren, wie spezifische Faktoren die finalen Vorhersagen beeinflussen.
Provides tools to analyze how factors like holidays, trends, and lagged variables influence final predictions.
Pythonartificial-intelligenceautoregressiondeep-learning
